Сочетание обнаружения смены режима с импульсом и быстрым возвратом к среднему
Сводка
Стратегия объединяет онлайн-обнаружение точек смены режима и сеть Deep Momentum Network на основе LSTM. Сеть обучается оценивать тренд и размер позиции, а модуль обнаружения определяет предполагаемую точку разворота и оценивает её значимость. Затем система может сочетать более медленный импульс временного ряда, нацеленный на сохранение позиции в устойчивых трендах, с более быстрым возвратом к среднему, который может менять позицию при локальных движениях. Подход разработан для снижения потерь от импульсной торговли при резкой смене режима.
Бэктесты за 1995–2020 показывают повышение коэффициента Шарпа на треть после добавления обнаружения точек смены режима; в период 2015–2020 рост составил примерно две трети. Заявленный эффект наиболее выражен в нестационарные периоды. Это результаты бэктеста, а не свидетельство эффективности при реальной торговле; во фрагменте не указаны рынки, транзакционные издержки, схема валидации или проверки устойчивости. Подход предлагает способ адаптировать позицию в импульсной стратегии, однако важные вопросы реализации и применимости к другим условиям остаются открытыми.
Ключевые идеи
- К модели импульсной торговли и определения размера позиции на основе LSTM добавлено онлайн-обнаружение точек смены режима.
- Оценка значимости помогает модели менять реакцию на обнаруженные изменения рыночных условий.
- Стратегия сочетает позиции в устойчивых трендах с более быстрым возвратом к среднему.
- Бэктесты показывают повышение коэффициента Шарпа после добавления модуля обнаружения, особенно в последние годы тестового периода.
- Во фрагменте нет сведений о рынках, издержках и проверках устойчивости, необходимых для оценки применимости к реальной торговле.
Теги
Полный текст
# Slow Momentum with Fast Reversion: A Trading Strategy Using Deep Learning and Changepoint Detection # Slow Momentum with Fast Reversion: A Trading Strategy Using Deep Learning and Changepoint Detection Momentum strategies are an important part of alternative investments and are at the heart of commodity trading advisors (CTAs). These strategies have, however, been found to have difficulties adjusting to rapid changes in market conditions, such as during the 2020 market crash. In particular, immediately after momentum turning points, where a trend reverses from an uptrend (downtrend) to a downtrend (uptrend), time-series momentum (TSMOM) strategies are prone to making bad bets. To improve the response to regime change, we introduce a novel approach, where we insert an online changepoint detection (CPD) module into a Deep Momentum Network (DMN) [1904.04912] pipeline, which uses an LSTM deep-learning architecture to simultaneously learn both trend estimation and position sizing. Furthermore, our model is able to optimise the way in which it balances 1) a slow momentum strategy which exploits persisting trends, but does not overreact to localised price moves, and 2) a fast mean-reversion strategy regime by quickly flipping its position, then swapping it back again to exploit localised price moves. Our CPD module outputs a changepoint location and severity score, allowing our model to learn to respond to varying degrees of disequilibrium, or smaller and more localised changepoints, in a data driven manner. Back-testing our model over the period 1995-2020, the addition of the CPD module leads to an improvement in Sharpe ratio of one-third. The module is especially beneficial in periods of significant nonstationarity, and in particular, over the most recent years tested (2015-2020) the performance boost is approximately two-thirds. This is interesting as traditional momentum strategies have been underperforming in this period.
Полный текст с указанием источника опубликован на условиях его лицензии. Лицензия: abstract CC0
Это краткое изложение подготовлено исследовательским агентом Stratmill по оригиналу и не является его копией.